El 23 de octubre, a las 20:42 hora de Brasilia, GitHub anunció que la API de métricas de Copilot empezó a registrar solicitudes y tokens enviados por herramientas como OpenCode.

La API de Copilot incluye uso vía OpenCode
La API de GitHub Copilot ahora detalla solicitudes y tokens por cliente, incluyendo OpenCode, en reportes diarios y de 28 días.
Marcelo Santiago
Criador do bridgecode
Recibe artículos sobre IA en tu correo
Selección técnica sobre modelos, agentes y herramientas de código. Sin spam, cancela cuando quieras.
El nuevo campo totals_by_client aparece en reportes de 1 y 28 días y separa los datos por cliente y modelo.
En este artículo verás:
- Qué datos empezó a mostrar la API por cliente
- En qué reportes aparece el campo
- Cómo interpretar llamadas, sesiones y tokens
- Qué cubre el cambio y qué queda fuera
Copilot ahora separa métricas por cliente
Cada ítem de totals_by_client identifica un cliente, como opencode, claude_code o codex, y trae conteos de solicitudes, sesiones y uso de tokens.
El campo totals_by_model divide las mismas métricas por modelo e indica si la elección la hizo la persona, el modo automático o el producto.
Crédito y origen: GitHub.
Qué reportes reciben el campo totals_by_client
La actualización abarca cuatro alcances de reporte:
- Empresa
- Organización
- Usuario de la empresa
- Usuario de la organización
Cada alcance tiene versiones de 1 y 28 días. En los reportes agregados de 28 días, el campo aparece dentro de los totales de cada día.
Cómo interpretar las llamadas y los tokens de Copilot
request_count cuenta llamadas exitosas al modelo, no prompts. Una sola instrucción puede generar varias llamadas, por lo tanto los totales no equivalen al número de interacciones de la persona.
El cliente se identifica por el código de integración enviado en la solicitud. GitHub recomienda tratar esta clasificación como indicativa, no como una identidad verificada.
Qué cambia para equipos que usan OpenCode
Antes, las llamadas hechas por herramientas externas al editor podían quedar fuera de totals_by_ide. El conteo en el servidor ayuda a comparar el uso de Copilot por cliente y a orientar decisiones de soporte y gobernanza.
El cambio mide tráfico que usa Copilot como proveedor de modelo, no todo el uso de OpenCode con otros proveedores. Para contexto, consulta también la guía de control de tokens en flujos con agentes y cómo configurar un servidor MCP en VS Code.
Preguntas frecuentes sobre la API de métricas de Copilot
¿Qué es totals_by_client en la API de Copilot?
Es un nuevo conjunto de métricas de la API de Copilot que separa solicitudes, sesiones y tokens por el cliente que envió las llamadas.
¿La API mide todo el uso de OpenCode?
No. La actualización incluye tráfico de clientes como OpenCode cuando usan a Copilot como proveedor de modelo, no llamadas realizadas a otros proveedores.
¿Qué cuenta request_count?
Cuenta llamadas exitosas al modelo. GitHub advierte que una instrucción puede generar varias llamadas, por lo que el total no equivale al número de prompts.
¿Qué reportes incluyen totals_by_client?
El campo está en reportes de empresa, organización, usuario de empresa y usuario de organización, con ventanas de 1 y 28 días.
La API amplía la visibilidad, sin medir todo el uso de OpenCode
El nuevo detalle ayuda a los equipos a ver solicitudes y tokens de Copilot en más clientes de desarrollo. La métrica sigue limitada al tráfico que pasa por Copilot y debe leerse con atención al significado de cada campo.
No es solo código. En bridgecode orquestas agentes de IA para crear, desarrollar y operar lo que imagines.
Fuente: GitHub
Artículos relacionados

Karpathy construye una plataforma de videos en un fin de semana con Claude
Andrej Karpathy construyó HackerTube en un fin de semana con Claude. Lo que esto dice sobre el ritmo de desarrollo con agentes de código.

Rich Sutton refuerza que el compute por sí solo no crea inteligencia
Rich Sutton, premio Turing, refuerza que el compute bruto no basta para la inteligencia y pide métodos nuevos, aprendizaje continuo y world models.

Auditores de IA detectan mal comportamiento pero generan falsas alarmas
Los modelos de IA detectan buena parte del mal comportamiento de otros agentes, pero generan muchas falsas alarmas. Mira los números del estudio de Andy Hall.
